GPU 内存分配#
当第一个 JAX 操作运行时，JAX 将预先分配 75% 的 GPU 总内存。 预分配可以最大限度地减少分配开销和内存碎片，但有时会导致内存不足 (OOM) 错误。 如果您的 JAX 进程因 OOM 而失败，可以使用以下环境变量来覆盖默认行为
XLA_PYTHON_CLIENT_PREALLOCATE=false这将禁用预分配行为。 JAX 将改为根据需要分配 GPU 内存，从而可能减少总体内存使用量。但是，这种行为更容易发生 GPU 内存碎片，这意味着禁用预分配后，使用大部分可用 GPU 内存的 JAX 程序可能会出现 OOM。
XLA_PYTHON_CLIENT_MEM_FRACTION=.XX如果启用预分配，这将使 JAX 预分配 XX% 的 GPU 总内存，而不是默认的 75%。 降低预分配的量可以修复 JAX 程序启动时发生的 OOM。
XLA_PYTHON_CLIENT_ALLOCATOR=platform这会使 JAX 根据需求分配所需的内存，并释放不再需要的内存（请注意，这是唯一会释放 GPU 内存而不是重用的配置）。 这非常慢，因此不建议用于一般用途，但可能有助于以尽可能小的 GPU 内存占用或调试 OOM 故障来运行。
OOM 失败的常见原因#
- 同时运行多个 JAX 进程。
可以使用
XLA_PYTHON_CLIENT_MEM_FRACTION为每个进程分配适当的内存量，或者设置XLA_PYTHON_CLIENT_PREALLOCATE=false。- 同时运行 JAX 和 GPU TensorFlow。
TensorFlow 默认也会进行预分配，这与同时运行多个 JAX 进程类似。
一种解决方案是使用仅限 CPU 的 TensorFlow（例如，如果您仅使用 TF 进行数据加载）。您可以使用命令
tf.config.experimental.set_visible_devices([], "GPU")来阻止 TensorFlow 使用 GPU或者，可以使用
XLA_PYTHON_CLIENT_MEM_FRACTION或XLA_PYTHON_CLIENT_PREALLOCATE。 还有类似的选项可以配置 TensorFlow 的 GPU 内存分配（在 TF1 中，gpu_memory_fraction 和 allow_growth 应该在传递给tf.Session的tf.ConfigProto中设置。 有关 TF2 的信息，请参见 使用 GPU：限制 GPU 内存增长）。- 在显示 GPU 上运行 JAX。
使用
XLA_PYTHON_CLIENT_MEM_FRACTION或XLA_PYTHON_CLIENT_PREALLOCATE。- 禁用重物化 HLO pass
有时，禁用自动重物化 HLO pass 有利于避免编译器做出较差的重物化选择。 可以通过设置
jax.config.update('enable_remat_opt_pass', True)或jax.config.update('enable_remat_opt_pass', False)来启用/禁用该 pass。 启用或禁用自动重物化 pass 会在计算和内存之间产生不同的权衡。 但是请注意，该算法是基础的，您通常可以通过禁用自动重物化 pass 并使用 jax.remat API 手动执行来获得更好的计算和内存之间的权衡。
实验性功能#
此处的特性是实验性的，必须谨慎尝试。
TF_GPU_ALLOCATOR=cuda_malloc_async这会将 XLA 自己的 BFC 内存分配器替换为 cudaMallocAsync。 这将删除大的固定预分配，并使用一个增长的内存池。 预期的好处是不需要设置 XLA_PYTHON_CLIENT_MEM_FRACTION。
风险在于
内存碎片情况不同，因此如果您接近极限，由于碎片导致的 OOM 情况会有所不同。
分配时间不会在开始时全部付出，而是在需要增加内存池时产生。 因此，您可能会在开始时体验到较少的速度稳定性，并且对于基准测试，忽略前几次迭代会更加重要。
可以通过预分配大量的内存块来缓解风险，并且仍然可以享受增长的内存池的好处。 这可以通过 TF_CUDA_MALLOC_ASYNC_SUPPORTED_PREALLOC=N 完成。 如果 N 是 -1，则将预分配与默认分配相同的内存量。 否则，它是您要预分配的大小（以字节为单位）。